Fugu-MT 論文翻訳(概要): Seeing Through Risk: A Symbolic Approximation of Prospect Theory

論文の概要: Seeing Through Risk: A Symbolic Approximation of Prospect Theory

arxiv url: http://arxiv.org/abs/2504.14448v1
Date: Sun, 20 Apr 2025 01:44:54 GMT
ステータス: 翻訳完了
システム内更新日: 2025-04-30 00:31:03.153843
Title: Seeing Through Risk: A Symbolic Approximation of Prospect Theory
Title（参考訳）: リスクを通して見る:プロスペクト理論のシンボリック近似
Authors: Ali Arslan Yousaf, Umair Rehman, Muhammad Umair Danish,
Abstract要約: リスク下での意思決定のための新しいシンボリックモデリングフレームワークを提案する。提案手法は,不透明な実用曲線と確率重み付け関数を,透明でエフェクトサイズの誘導された特徴に置き換える。数学的に定式化し、よく知られたフレーミング現象と損失回避現象を再現する能力を示し、合成データセットに対するエンドツーエンドの実証検証を提供する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We propose a novel symbolic modeling framework for decision-making under risk that merges interpretability with the core insights of Prospect Theory. Our approach replaces opaque utility curves and probability weighting functions with transparent, effect-size-guided features. We mathematically formalize the method, demonstrate its ability to replicate well-known framing and loss-aversion phenomena, and provide an end-to-end empirical validation on synthetic datasets. The resulting model achieves competitive predictive performance while yielding clear coefficients mapped onto psychological constructs, making it suitable for applications ranging from AI safety to economic policy analysis.
Abstract（参考訳）: 本稿では,リスク下で意思決定を行うための新しいシンボリック・モデリング・フレームワークを提案する。提案手法は,不透明な実用曲線と確率重み付け関数を,透明でエフェクトサイズの誘導された特徴に置き換える。数学的に定式化し、よく知られたフレーミング現象と損失回避現象を再現する能力を示し、合成データセットに対するエンドツーエンドの実証検証を提供する。結果として得られたモデルは、心理的構成物にマッピングされた明確な係数を導出しながら、競争力のある予測性能を達成する。

関連論文リスト

Exploring Energy Landscapes for Minimal Counterfactual Explanations: Applications in Cybersecurity and Beyond [3.6963146054309597]
説明可能な人工知能(XAI)において、対物的説明が顕著な方法として浮上している。本稿では、摂動理論と統計力学を統合し、最小限の反実的説明を生成する新しい枠組みを提案する。提案手法は,妥当性を維持しつつモデルの予測を変更するために必要な最小限の修正を系統的に同定する。
論文参考訳（メタデータ） (2025-03-23T19:48:37Z)
From Counterfactuals to Trees: Competitive Analysis of Model Extraction Attacks [4.293083690039339]
モデル再構成のリスクと本質的な複雑さを形式化し特徴付ける。本稿では,競合解析のレンズによるモデル抽出攻撃の最初の公式解析について述べる。我々は、常に強い性能を示しながら、証明可能な完全性を達成する新しい再構成アルゴリズムを導入する。
論文参考訳（メタデータ） (2025-02-07T20:51:06Z)
Fair Risk Minimization under Causal Path-Specific Effect Constraints [3.0232957374216953]
本稿では,機械学習を用いて最適な予測を推定するためのフレームワークを提案する。平均二乗誤差とクロスエントロピーリスク基準に基づく制約付き最適化のための閉形式解を導出する。
論文参考訳（メタデータ） (2024-08-03T02:05:43Z)
Bayesian Nonparametrics Meets Data-Driven Distributionally Robust Optimization [29.24821214671497]
機械学習と統計モデルのトレーニングは、しばしばデータ駆動型リスク基準の最適化を伴う。ベイズ的非パラメトリック(ディリクレ過程)理論と、スムーズなあいまいさ-逆選好の最近の決定論的モデルを組み合わせた、新しいロバストな基準を提案する。実用的な実装として、よく知られたディリクレプロセスの表現に基づいて、評価基準の抽出可能な近似を提案し、研究する。
論文参考訳（メタデータ） (2024-01-28T21:19:15Z)
The Risk of Federated Learning to Skew Fine-Tuning Features and Underperform Out-of-Distribution Robustness [50.52507648690234]
フェデレートされた学習は、微調整された特徴をスキイングし、モデルの堅牢性を損なうリスクがある。 3つのロバスト性指標を導入し、多様なロバストデータセットで実験を行う。提案手法は,パラメータ効率のよい微調整手法を含む多種多様なシナリオにまたがるロバスト性を著しく向上させる。
論文参考訳（メタデータ） (2024-01-25T09:18:51Z)
A Novel Neural-symbolic System under Statistical Relational Learning [47.30190559449236]
NSF-SRLと呼ばれる統計的関係学習に基づくニューラルシンボリック・フレームワークを提案する。シンボリック推論の結果は、深層学習モデルによる予測の洗練と修正に利用され、深層学習モデルはシンボリック推論プロセスの効率を高める。我々は、このアプローチがニューラルシンボリックシステムの新しい標準となり、汎用人工知能の分野における将来の研究を促進すると信じている。
論文参考訳（メタデータ） (2023-09-16T09:15:37Z)
Latent Variable Representation for Reinforcement Learning [131.03944557979725]
モデルに基づく強化学習のサンプル効率を改善するために、潜在変数モデルが学習、計画、探索をいかに促進するかは理論上、実証上、不明である。状態-作用値関数に対する潜在変数モデルの表現ビューを提供する。これは、抽出可能な変分学習アルゴリズムと楽観主義/悲観主義の原理の効果的な実装の両方を可能にする。特に,潜伏変数モデルのカーネル埋め込みを組み込んだUPB探索を用いた計算効率の良い計画アルゴリズムを提案する。
論文参考訳（メタデータ） (2022-12-17T00:26:31Z)
Planning with Diffusion for Flexible Behavior Synthesis [125.24438991142573]
我々は、できるだけ多くの軌道最適化パイプラインをモデリング問題に折り畳むことがどう見えるか検討する。我々の技術的アプローチの核心は、軌道を反復的にデノベーションすることで計画する拡散確率モデルにある。
論文参考訳（メタデータ） (2022-05-20T07:02:03Z)
Learnability of Competitive Threshold Models [11.005966612053262]
理論的観点から,競合しきい値モデルの学習可能性について検討する。ニューラルネットワークによって競合しきい値モデルをシームレスにシミュレートする方法を実証する。
論文参考訳（メタデータ） (2022-05-08T01:11:51Z)
Reachability analysis in stochastic directed graphs by reinforcement learning [67.87998628083218]
マルコフグラフにおける遷移確率のダイナミクスは差分包摂によってモデル化できることを示す。我々は、ノードの集合の到達可能性確率の上限と下限を提供するために、報酬関数を設計する方法論を提供する。
論文参考訳（メタデータ） (2022-02-25T08:20:43Z)
Generalization Properties of Optimal Transport GANs with Latent Distribution Learning [52.25145141639159]
本研究では,潜伏分布とプッシュフォワードマップの複雑さの相互作用が性能に与える影響について検討する。我々の分析に感銘を受けて、我々はGANパラダイム内での潜伏分布とプッシュフォワードマップの学習を提唱した。
論文参考訳（メタデータ） (2020-07-29T07:31:33Z)
SAMBA: Safe Model-Based & Active Reinforcement Learning [59.01424351231993]
SAMBAは、確率論的モデリング、情報理論、統計学といった側面を組み合わせた安全な強化学習のためのフレームワークである。我々は,低次元および高次元の状態表現を含む安全な力学系ベンチマークを用いて,アルゴリズムの評価を行った。アクティブなメトリクスと安全性の制約を詳細に分析することで,フレームワークの有効性を直感的に評価する。
論文参考訳（メタデータ） (2020-06-12T10:40:46Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。